Когда ИИ дороже живого сотрудника: честный расчёт

Цифровой сотрудник проигрывает человеку по деньгам там, где задач мало и приходят они рывками, где каждая задача тащит свой уникальный контекст, где ошибка стоит дорого, где всё держится на живом контакте и личной подписи, где проект разовый. На потоке однотипных операций он почти всегда обходится дешевле. Итог определяют условия самого участка, а выбор модели двигает счёт куда слабее, чем принято думать в чатах про автоматизацию.

На прошлой неделе я чуть не собрал цифрового сотрудника под участок, где ему было совсем не место. Сел считать и притормозил уже на второй строчке блокнота: задач набегает мало, каждая своя, любой результат приходится перечитывать руками от первой буквы до последней. Вечер на настройку ушёл бы сразу, а возвращался бы этот вечер месяцами, если бы вообще вернулся. Дальше показываю на собственных граблях, где ИИ проигрывает деньгами и как ловить это заранее, пока счёт за два месяца работы ещё не пришёл. Если ты только присматриваешься к теме, сперва стоит понять, что вообще такое цифровой сотрудник и из чего он собран - тогда разговор про деньги ляжет на понятную основу.

Из чего складывается цена цифрового сотрудника?

Полная цена собирается из четырёх слагаемых: подписка вместе с расходом токенов, часы на сборку и поддержку, время человека на проверку результата и стоимость ошибок, которые всплывают с задержкой. В глаза бросается только первое, потому что оно приходит аккуратным счётом раз в месяц. Три остальных растворены в рабочем времени, и почти никто их не считает, хотя именно они чаще всего переворачивают итог.

Подписка и токены. Подписка открывает дверь, дальше счёт растёт по объёму текста. Тарификация идёт за миллион токенов, вход и выход считаются раздельно, и разница между лёгкой и тяжёлой моделью в прайсе доходит до десятков раз. Короткий вопрос по цене неразличим с нулём. Совсем другая история начинается там, где сотрудник перед каждым ответом перечитывает переписку с клиентом, три документа и всю историю сделки: длинный контекст оплачивается заново при каждом обращении, если ты не включил кеширование промпта.

Порядок величин прикидывается на салфетке за пару минут. Пусть на участок приходит сотня обращений в день, и перед каждым модель получает страниц пять вводных - это примерно шесть-семь тысяч токенов на входе плюс короткий ответ на пятьсот. За месяц набегает под двадцать миллионов входных токенов, и вот эту цифру уже надо умножать на прайс выбранной модели. Пятая страница вводных, дописанная когда-то «на всякий случай», проходит через кассу три тысячи раз в месяц. Кеширование постоянной части промпта срезает такую строку в разы, но включать его надо осознанно и проверять, что кеш действительно попадает, иначе экономия остаётся только в планах.

Сборка и поддержка. Сотрудника надо описать: границы участка, регламент, тон, доступ к данным, список того, чего он делать не должен. Дальше идёт прогон на реальных примерах, штук двадцать-тридцать, иначе первую неделю ты будешь ловить косяки на живых клиентах. Это часы твоей работы или работы того, кому ты её отдал. Потом появляется новый продукт, меняется цена, клиент начинает спрашивать иначе, и ты садишься донастраивать заново. Разовым такой расход не бывает почти никогда, он тянется ровно столько, сколько сотрудник живёт в деле.

Проверка результата. Модель выдаёт неверный ответ с той же интонацией уверенности, что и верный, поэтому за ней читают. У меня простое правило: если проверка отъедает больше половины времени, которое ушло бы на ручную работу, участок к автоматизации ещё не готов. Бывает и хуже, когда проверять приходится дольше, чем делать самому, потому что чужой текст сначала надо распутать до смысла.

Цена ошибок. На незнакомом материале у живого сотрудника включается осторожность и он идёт переспрашивать, а модель проезжает сомнительное место ровно и молча, без единого сигнала тревоги. Одна перепутанная цифра в письме клиенту способна стоить дороже, чем токены за квартал, и всплывает она обычно через неделю на созвоне, когда письмо давно ушло и на него уже сослались.

Почему сравнение «подписка против зарплаты» всегда врёт?

Этот вопрос мне задают чаще остальных, и в самой его формулировке уже сидит ошибка. С одной стороны весов ставят двадцать долларов за подписку, с другой - зарплату сотрудника, и вывод получается очевидным ещё до расчёта.

Зарплата человека, если считать её честно, тянет за собой налоги, отпуск, больничные, рабочее место, время на найм и месяц-другой на ввод в курс дела. Подписка тоже не живёт одна: к ней прицеплены твои часы на сборку, расход токенов на реальном объёме, чужое время на проверку и переделки. Сравнивать надо две полные стоимости участка за месяц, а не два ценника из рекламы.

Есть и вторая сторона, которую в расчёт обычно не берут. Нанимая человека, ты отдаёшь ему задачу целиком, вместе с ответственностью за результат. Цифровой сотрудник берёт на себя одно исполнение, всё остальное возвращается к тебе. Ответственность стоит времени: кто-то должен читать, решать и подписываться под отправкой. На маленьком участке эта нагрузка съедает всю выгоду от скорости. Мысль о том, что модель заменяет человека один в один, я разбирал подробнее в материале про цифрового двойника сотрудника, и вывод там ровно такой же: на автоматику переходят отдельные операции, а роль целиком остаётся незакрытой.

На каких пяти участках ИИ выходит дороже человека?

Ниже пять мест, куда я цифрового сотрудника больше не сажаю. Качество моделей тут ни при чём, за последний год они стали заметно сильнее. Арифметика на этих участках складывается против автоматизации при любой модели, какую ни поставь.

1. Задач мало, приходят редко

Автоматизация окупается объёмом. Пять писем в неделю не отобьют вечер настройки ни при каких токенах, потому что делить нечего. Между делом такие письма напишет любой человек в команде и тут же про них забудет, а вот содержание цифрового сотрудника не прекращается: следить за актуальностью, обновлять после каждого изменения в продукте, перечитывать выдачу. Чем меньше поток, тем выше доля обслуживания в каждой задаче. Отдельный разговор про то, с каких задач вообще стоит начинать автоматизацию, сводится к поиску именно потока, а разовые дела туда не попадают никогда.

2. Каждая задача уникальна

Модель показывает себя хорошо там, где повторяется одна и та же операция с вариациями. Когда каждая задача приходит со своим контекстом, который надо объяснять заново, ты платишь дважды: токенами за длинные вводные и своим временем за постановку. К моменту, когда дописан внятный промпт с условиями, половина работы уже сделана в голове, и быстрее оказывается доделать её руками. Похожая ловушка ждёт в аналитике под каждый новый вопрос: пока формулируешь, что именно считать, успеваешь посчитать. Про то, какие вопросы к данным вообще имеет смысл задавать ИИ, у меня есть отдельный разбор с примерами формулировок.

3. Ошибка стоит дорого

Юридические формулировки, налоговые цифры, публичные заявления от лица бренда, письма крупным партнёрам. Здесь промах обходится дороже всей экономии за год, поэтому проверка становится обязательной и сплошной. Ты оплачиваешь и работу модели, и время контролёра рядом с ней, то есть держишь на одном участке двойные затраты.

Соблазн решить проблему настройками появляется быстро: добавить в промпт требование сверяться с документами, прикрутить второй проход самопроверки, попросить модель отмечать неуверенные места. Помогает всё это частично. Второй проход стоит ещё одного счёта за токены, а отметки об уверенности сами по себе ненадёжны, потому что рождаются той же моделью, которая только что ошиблась. Отдать задачу человеку с нужной квалификацией выходит спокойнее и по деньгам, и по нервам.

4. Нужен живой контакт и ответственность лицом

Переговоры о крупной сделке, разбор конфликта с закипевшим клиентом, решение, под которым кто-то ставит подпись. Модель соберёт черновик и подскажет аргументы, но тон, выбор момента и ответственность всё равно останутся на человеке. Когда участок целиком состоит из таких эпизодов, цифровой сотрудник превращается в дополнительный слой поверх работы: черновик написан, а всю содержательную часть ты делаешь сам.

5. Разовый проект

Собирать сложного сотрудника ради одной задачи, которая больше не повторится, примерно как покупать станок ради одной детали. Настройка стоит дороже результата, и размазать её не по чему. В таких случаях я просто открываю чат, решаю задачу в диалоге за двадцать минут и закрываю вкладку. Отдельная роль, регламент и подключённые данные нужны только тому, что будет повторяться месяцами.

Если считать по этим пяти пунктам на глаз не хочется, помогает общая карта возможностей автоматизации бизнес-процессов: по ней сразу видно, какие участки в деле потоковые, а какие живут единичными случаями.

Если пока не хватает базы, чтобы отличить потоковый участок от разового, и слова про токены и контекст звучат как чужой язык, начни с фундамента. Я собрал бесплатное обучение по работе с нейросетями для дела и денег: там по шагам разобраны сборка помощников, работа с контекстом и типовые участки, где автоматизация окупается. Забрать бесплатное обучение

Какой случай я чуть не автоматизировал?

Тот участок, с которого я начал статью, выглядел идеальным кандидатом. Нестандартные коммерческие предложения: клиент приходит со своей задачей, надо собрать состав работ, прикинуть сроки и объяснить логику цены. Текст каждый раз длинный, писать его скучно, руки так и тянутся посадить туда сотрудника.

Считать я начал с объёма и сразу споткнулся. Таких запросов набегает несколько штук в месяц, причём неровно: то пусто три недели, то четыре подряд. Дальше пошёл контекст. Чтобы предложение получилось осмысленным, модели надо отдать переписку с клиентом, описание его ситуации, мои условия по срокам и оговорки про то, чего мы не делаем. Каждый раз этот пакет свой, готовым шаблоном не закроешь, и собирать его руками дольше, чем написать первый абзац.

Третьим номером шла проверка. В предложении есть цена и сроки, то есть обязательства. Читать такой текст пришлось бы целиком и внимательно, сверяя каждую цифру с тем, что я реально готов сделать. Экономии не оставалось совсем: постановка плюс вычитка занимали примерно столько же, сколько написание с нуля.

Вечер настройки я в итоге не потратил, зато потратил полчаса на другое. Вынес в отдельный файл структуру предложения, формулировки про сроки и три абзаца, которые повторяются от клиента к клиенту. Теперь я открываю чат, вставляю туда контекст конкретной сделки, прошу собрать черновик по готовой структуре и правлю руками. Роли, регламента и постоянных доступов там нет, и участок от этого только выиграл. Разница между разовым помощником в чате и полноценным собранным сотрудником хорошо видна в разборе про то, как собрать ИИ-сотрудника с нуля: там как раз перечислено, сколько работы стоит за словом «собрать».

Где считать, а где даже не начинать?

Участок	Объём	Проверка	ИИ vs человек по деньгам
Ответы на типовые вопросы клиентов	Высокий	Лёгкая	ИИ обычно дешевле
Черновики постов и писем	Высокий	Средняя	ИИ дешевле, если проверка быстрая
Разбор входящих заявок и сортировка	Высокий	Лёгкая	ИИ дешевле почти всегда
Разовый лендинг под акцию	Разовый	Полная	Спорно, часто человек дешевле
Юридические и налоговые тексты	Любой	Полная	Человек надёжнее и дешевле по итогу
Переговоры и сложные конфликты	Любой	-	Человек, ИИ только в помощь
Уникальная аналитика под каждый вопрос	Низкий	Полная	Человек чаще дешевле
Перенос данных между таблицами	Высокий	Лёгкая	Часто дешевле обычного скрипта

Последняя строка заслуживает отдельного комментария. Часть задач, которые сегодня по привычке несут нейросети, годами закрывались обычным кодом и стоят при этом ровно ноль за запуск. Разбор того, где выигрывают макросы и VBA, а где ИИ, сильно экономит деньги на табличной рутине, и та же логика работает для скриптов: посмотри, что реально закрывается автоматизацией на Python, прежде чем платить за токены на детерминированной операции. Там, где правило описывается словами «если в колонке А стоит вот это, перенеси строку туда», никакой языковой модели не требуется вообще.

Свои цифры сдвинут границу в таблице в любую сторону, и это нормально. Я держу её перед глазами не ради приговора конкретному участку. Она нужна как напоминание посчитать до внедрения, потому что после внедрения расчёт превращается в оправдание уже потраченного вечера.

Как посчитать участок на трёх числах?

Отдельный калькулятор мне не понадобился, хватает трёх строчек в блокноте.

1. Объём. Сколько таких задач набегает в месяц. Число нужно настоящее, взятое из почты или CRM за последние три месяца, потому что память здесь врёт в обе стороны. Десяток задач в месяц обычно закрывает вопрос отрицательно. От сотни начинается предметный разговор.

2. Время человека. Сколько минут уходит на одну задачу вручную и сколько будет уходить на проверку за моделью. Второе число почти всегда занижают на старте, поэтому я умножаю первую прикидку в полтора раза и смотрю, выживает ли идея.

3. Полная стоимость ИИ. Подписка, расход токенов на реальном объёме и часы на сборку, размазанные на полгода, плюс часы на поддержку каждый месяц. Токены прикидываю грубо по длине контекста и сверяюсь с актуальным прайсом вендора, благо он открытый.

Покажу на выдуманном для примера участке, чтобы арифметика не висела в воздухе. Триста однотипных ответов клиентам в месяц, вручную каждый занимает шесть минут - это тридцать часов работы. С моделью на ответ уходит полторы минуты проверки, накинем коэффициент и получим три минуты, то есть пятнадцать часов. Экономия в часах есть, половина времени. Теперь вторая колонка: сборка заняла шесть часов и размазалась на полгода по часу в месяц, поддержка съедает ещё пару часов, токены на таком объёме укладываются в скромную сумму при лёгкой модели. Итог складывается в пользу автоматизации с приличным запасом, и запас этот держится ровно до тех пор, пока объём не просядет втрое.

Дальше складываю и сравниваю с полной стоимостью человеческого часа за тот же объём. Числа, вышедшие рядом, оставляют участок за человеком: разница в пределах погрешности не окупает риска и возни. Сажусь собирать я в другом случае - когда ИИ дешевле в разы даже с учётом проверки. Если сборка своими руками пугает объёмом, стоит заранее сравнить варианты и решить, брать агентов под ключ или собирать самому - подрядчик переносит часть расходов из твоего времени в деньги, и в расчёте это отдельная строка.

Что спросить у самой модели перед сборкой?

Перед сборкой я трачу один запрос на честный разговор с моделью о ней самой. Пишу примерно так: «Вот описание участка работы и объём задач в месяц. Разложи по шагам, что ты закроешь без присмотра, где обязательна проверка человеком и где ты, скорее всего, ошибёшься. Возможности свои не преувеличивай, слабые места назови прямым текстом.»

Ответ обычно закрывает половину расчёта, потому что модель довольно точно показывает места, где ей не хватает данных или где задача требует решения, а не текста. Возражение «она наврёт в свою пользу» я слышал много раз, и оно справедливое: на веру такой ответ брать нельзя. Я сверяю его с первыми двадцатью прогонами на реальных задачах, и обычно предсказание совпадает с тем, что вижу. Работает это заметно лучше, когда у модели под рукой лежат материалы дела: как правильно собрать базу знаний для нейросети, я разбирал отдельно.

Какие возражения прилетают чаще всего?

«У меня дешёвая подписка, какие ещё расходы». Подписка закрывает работу в чате руками. Как только сотрудник начинает ходить по данным через API, включается тарификация по токенам, а вместе с ней время на поддержку. Расходы никуда не деваются, они просто переезжают из строки «подписка» в строку «мои вечера».

«Человек тоже ошибается, и что теперь». Ошибается, конечно. Вся разница в поведении на границе своей компетенции. Там, где сотрудник притормозит и задаст вопрос, модель выдаст уверенный ответ и пойдёт дальше. Поэтому в расчёт я закладываю стоимость обнаружения ошибки, а сам факт ошибок считаю данностью. Если неверный результат виден сразу, риск копеечный. У задач, где промах всплывает через месяц на стороне клиента, автоматизация отменяется без обсуждения.

«Токены дешевеют каждый год, скоро посчитается само». Цена за миллион токенов действительно падает, и это радует. Только вместе с ней растёт аппетит: подешевевшую модель тут же нагружают более длинным контекстом, вторым проходом проверки и рассуждениями перед ответом. Счёт остаётся примерно на месте, а вот часы на поддержку и проверку от прайса вендора не зависят вообще, и именно они в моих расчётах обычно перевешивают.

«Если так считать, автоматизировать окажется нечего». Наоборот, после расчёта список сокращается до двух-трёх участков, зато они реально работают и не требуют постоянной починки. Обычно туда попадают ответы на повторяющиеся вопросы, первичная сортировка входящих и черновики регулярных текстов. Хороший стартовый список собран в материале про семь задач для ИИ-ассистента в малом бизнесе, а если участок с клиентскими вопросами оказался самым объёмным, дальше логично посмотреть, что умеет и чего не умеет чат-бот для бизнеса.

Как не переплачивать, если участок всё же подходит?

Объём есть, проверка лёгкая, автоматизация оправдана. Здесь я всё равно держу счёт под контролем четырьмя приёмами.

• Не гружу лишнее в контекст. Каждый лишний абзац в системном промпте оплачивается при каждом обращении. Отдаю модели ровно то, что нужно для конкретного шага, а остальное держу в стороне.
• Выношу знания в общее хранилище. Цены, описания продуктов, тон общения и стоп-темы лежат в одном месте, откуда сотрудник подтягивает нужный кусок. Повторять всё это в каждом промпте выходит дороже и ломается при первом же обновлении прайса.
• Подбираю модель под задачу. На потоке однотипных ответов работает модель попроще, а тяжёлую я держу для разбора сложных случаев, где цена промаха выше цены запроса. Разница в тарифах между уровнями моделей достаточно велика, чтобы этот выбор чувствовался в счёте. Ориентиры по сильным сторонам разных семейств собраны в сравнении Claude и ChatGPT под конкретные задачи.
• Считаю переделки как расход. Заранее закладываю, что часть выдачи придётся выбросить. Когда доля брака держится высокой третью неделю, промпты я докручивать перестаю и возвращаю участок человеку.

Разборы таких связок, готовые промпты и шаблоны ролей цифровых сотрудников я выкладываю в закрытый канал ИИмперии - там на конкретных участках показываю, где считать, а где сразу отдать человеку.

Что дорожает уже после запуска?

Расчёт до внедрения закрывает не всё. Четыре вещи начинают есть деньги через месяц-другой, и к ним стоит быть готовым.

Быстрее прочего разрастается контекст. Регламент, который начинался с половины страницы, к третьему месяцу распухает до пяти: туда дописывают исключения, оговорки и случаи из практики. Каждое обращение дорожает пропорционально. Я раз в квартал перечитываю инструкцию сотрудника и выкидываю всё, что не сработало ни разу.

Следом идёт тихое расширение обязанностей. Сотрудника сажали на ответы по типовым вопросам, а через месяц ему уже кидают заявки на возврат и запросы от партнёров. Участок сменился, расчёт устарел, проверка стала тяжелее. Границы приходится проговаривать заново, иначе экономика уезжает незаметно.

Третьим сюрпризом обычно оказывается смена модели у вендора. Версии обновляются, старые выводят из обращения, поведение на твоих промптах слегка меняется. День на перепроверку раз в несколько месяцев я закладываю сразу, чтобы обновление не превращалось в аварию.

Последнее заметно только на дистанции: люди, которые проверяют выдачу, привыкают доверять ей и начинают читать по диагонали. Через полгода поток идёт гладко, контроль ослаб, и первая крупная ошибка проезжает насквозь. Лечится это выборочной сверкой по чек-листу раз в месяц, десяток случайных задач целиком, и такую сверку тоже надо посчитать как постоянный расход.

С чего начать на этой неделе?

Возьми свой самый шумный участок работы, тот, где рутина раздражает сильнее всего. Подними почту или CRM за три месяца и выпиши число задач по нему. Замерь на трёх свежих примерах, сколько минут уходит на одну задачу руками. Прикинь, сколько времени займёт вычитка чужого текста по той же задаче, и умножь на полтора.

Дальше открой прайс вендора, посмотри цену за миллион токенов и грубо оцени длину своего контекста в символах. Сложи всё в две колонки: человек и ИИ, обе с полной стоимостью за месяц. Решение обычно становится очевидным на этом шаге, без всяких таблиц окупаемости.

Отпавший по расчёту участок ничего тебе не стоил: вечер сэкономлен, процесс продолжает работать как работал. У прошедшего расчёт участка уже есть объём, время и границы - половина технического задания на сборку. Тем, кто только заходит в тему и хочет понять порядок шагов целиком, я советую начать с обзорного разбора про ИИ для малого бизнеса, а уже потом возвращаться к деньгам.

Главное

Ценник подписки говорит о стоимости цифрового сотрудника меньше всего, а падает она вместе с ростом объёма и повторяемости задач. На редком, уникальном и ответственном участке ИИ дорожает быстрее, чем экономит. Выигрывает тот, кто сел с блокнотом и честно посчитал каждый участок по трём числам, оставив человеку решения, вкус и ответственность - ровно то, что человек делает лучше и в итоге дешевле. Автоматизация всего подряд ради галочки остаётся самым дорогим способом внедрить ИИ в дело.

Источники

• Anthropic - Pricing - официальные тарифы на токены по моделям Claude, вход и выход считаются отдельно.
• OpenAI - API Pricing - прайс по токенам, наглядно видно разницу между лёгкими и тяжёлыми моделями.